针对数字化转型，重建生物工艺系统 - II
本文节选自《Setting Up Bioprocessing Systems for Digital Transformation》，由于水平有限，详细内容，请参考原文。更多内容，也可查看往期推送《针对数字化转型，重建生物工艺系统 - I》。
生物工艺操作、设备和工厂的数字化可以改善工作流程和输出，但保持数据完整性是一个需要行业关注的问题。
契合人工智能
人工智能(AI)的使用是围绕生产工厂向数字化平台转型的讨论的另一个方面。但这是怎么做到的呢?Hahn通过解释AI、多元和机械模型可以更好地解释复杂的多维数据、从而提高对工艺的理解，回答了这个问题。他说:“通过基于这种方法生成数字映射，物料、系统、分子和方法的复杂行为可以被模拟，在计算机上进行耗时、费力且昂贵的实验。”因此，可以更好地调查偏差，并在转化至数字空间时，结合强化工艺的开发，将工艺开发得更高效、更稳健。
“传统意义上的人工智能是基于统计的‘黑箱’方法：大数据或机器学习等统计方法利用统计学来预测相关性、趋势和模式。所有这些模型都借鉴了以数据形式提供的经验。经验越多，模型就越好。然而，对于特定的应用，数据可能是“稀疏”的。特别是下游工艺，数据通常很少，这阻碍了这种方法的应用。“这样的模型进一步受制于其校准范围，只能预测校准数据空间内的结果。特别是，它们不允许在过程设置中进行任何重大更改。”
相比之下，机械模型通过应用自然法则来理解突发行为而决定基本现象。Hahn补充说:“对于已经建立了深刻机理理解的系统，例如层析和UF/DF(超滤/洗滤)工艺中的Donnan效应，机械方法是最有效的数据处理方法，可以推断看不到的工艺条件。”
Lenich指出，正确执行的AI是分层的，每一层都构建到下一层。AI的第一个关卡是确保所有资源 (如传感器和机械元件) 正常工作的模型基础。“当组织确认资源按预期工作后，它可以开始实施更高级的建模，集中在单元操作层面。这一层更侧重于特定的设备或操作区域，以确保它们按照预期运行。一旦企业确认生产单元的表现符合预期，就会采用更先进的实时建模和模拟技术来预测未来的生产情况。”
Lenich解释说，“高保真”的模型将工厂的设计目的与实际用途进行比较。高保真模型还能识别导致吞吐量瓶颈的制约因素。“所有这些方法现在都在使用。预测设备故障、强化生物反应器滴度、提高工厂吞吐量产能都是一些公司着眼于生物药生产过程、并使用人工智能模型对其进行优化的例子。关键是要有一个你想要解决的特定问题。当所有这些方法都得到规划和协调时，就会取得最好的结果。”
与此同时，CPI数据分析高级科学家Lukas Kuerten认为，人工智能可以在多个领域实现生物药生产过程的“数字化转型”。这将从工艺的早期，从分子的识别到进一步的开发(更好地定义分子的可开发能力)，到工艺和临床开发(确保数据被捕获和评估)，最后，到商业化批次的生产。
Kuerten补充说，人工智能可以在多个领域做出贡献，使生物制药的工艺开发更有效率。生物药开发涉及上游和下游的多个实验，从多种类型的仪器中收集离线或在线分析数据 -从pH计到高性能液相色谱系统以及质谱。“目前，所有这些数据集通常储存在多个电子表格中，它们不稳定，且需要手动集成，与原始数据的链接很薄弱，而且很难更新，”他说。
在上、下游生产中，多年来的操作模式都是基于批次的，在完成一批后，终产品分析离线进行。随着工艺走向连续生产，需要通过减少并最终消除离线终产品批次放行检测，才能实现连续工艺的全部好处。Kuerten解释说，在这个领域，人工智能结合在线和快速离线PAT技术以及数字映射技术将实现实时工艺。
传统生产工厂的转型
就传统生产工厂而言，如何安装数字系统，以提高这种工厂的速度? Lenich指出，现有的生产工厂只要利用无线网络，就能在数字化转型方面取得重大进展。这将很容易让工厂引入新的工业物联网数据，而无需对物理基础设施进行重大改造，后者需要将电线和连接增加到需要它们的地方。
“然而，当组织想要连接到现有的传统系统时，挑战就来了，”Lenich警告说。“这些系统通常没有正确的交界面，无法轻松融入数字化战略中。数字控制器和数据湖等新技术可以帮助弥合数字系统和传统设备之间的差距。”
Lenich解释说，新的数字控制器可以连接到现有的独立设备和可编程逻辑控制器，并将提供相当的灵活性，为这些传统系统提供定制集成。“这些控制器能够连接到新的数字基础设施，并传递这些传统数据。然后用户可以决定是‘集成所有内容’还是只做关键项目。”
流程工业自动化技术用户协会的新模块类型包(MTP)方法提供了另一种方式，使新设备更容易地与现有工厂系统连接，Lenich补充说。“MTP为设备集成创建了标准化内容、使用和通信协议。MTP告诉现有的工厂自动化系统新设备可以做什么，以及如何与它通讯，可显著减少将新设备引入现有工厂所需的时间。利用MTP标准是实现工厂即插即用设备的宴会厅式布局的下一步。”
如果现有设备没有实现数字集成的连接性，那么传统设备的更新可能会面临重大挑战，这可能需要进行昂贵的改造。“然而，”Branton指出，“现有技术可以用新的数字化功能进行覆盖。例如，基于比例、积分和导数(PID)控制的标准控制回路提供了良好的设定点控制，当对系统的需求稳定，但负载显著变化时，PID必须相应地调整。可以开发新的控制算法，以产生的过程数据为基础，但置于现有的控制器之上，并根据性能自动调整PID。这使得控制系统的更新能够利用更先进的控制策略，而不需要替换现有的硬件。”
与此同时，层析工艺的数字映射可以立即安装到传统工厂中，而没有任何更进一步的工作、限制或要求，Hahn说。“这种数字映射设备需要的输入是手头的数据和传感器：紫外和电导率检测器是最低要求；此外，还可以考虑使用pH传感器。不需要额外的传感器，因为所有其它的工艺参数都可以通过模型本身计算出来。然而，基于数字映射的实时过程控制和过程分析技术当然需要可用的实时数据。”
维护和保养
数字化还可以改善操作和设施维护。
Branton指出，目前，维护记录是电子的，但在未来，预测性维护将被实施，这涉及到系统能够预测部件的故障。下一步，系统可以自动采取补救行动，例如从数字化仓库订购新的备件。Branton还指出，实际运行数据以及对未来使用情况的预测可以输入到数字设备中，用于预测维护需求。
Hahn说:“例如，机械性层析模型可以用来使现有的工艺模型适应“老化”的填料。即使在变化或受损的条件下，工艺也可以继续进行，这可推迟维护的需求，并保持高生产率。此外，模型还可以用来评估层析柱的预期剩余寿命，并预测它还能执行多少个循环。”
“维护不再是监测单个设备，提供供应商推荐的定期预防性维护，并在出现问题时进行修复，”Lenich补充说。如今，企业不仅关注设备的工作情况，还需要关注多个设备和操作单元的协同工作情况。“这种更有针对性的维护方法需要多变量分析，这超出了维护人员可以轻松手动执行的范围，”Lenich说。
Lenich还表示，工厂正在转向新的无线工业物联网测量，以提供关于设备性能的新信息，如振动监测。工厂操作人员正在使用来自传统来源和这些新来源的数据，应用AI和机器学习来分析和预测设备以及工厂的健康和性能。“这些多元数据可以与设备性能模型进行比较，以了解设备和生产过程在过去的表现如何，并实时预测它们在未来的表现如何。当性能开始偏离常规时，这些相同的系统可以提供可操作的建议，帮助在质量或安全受到影响之前将工艺恢复到正常状态。”Lenich总结道。
原文：F.Mirasol, Setting Up Bioprocessing Systems for Digital Transformation. BioPharm International 34 (6) 2021.
相关阅读：